[工学]第三章一维搜索.ppt

第三章 一维搜索方法 3.1 概述 回顾 当采用数学规划法寻求多元函数 的极值点 时一般要进行一系列迭代计算： 其中 为第 次迭代的搜索方向， 为沿 搜索的最佳步长因子（通常也称作最佳步长）。 当方向 给定，求最佳步长 就是求一元函数 的极值问题，它称作一维搜索。 求多元函数极值点，需要进行一系列的一维搜索。可见一维搜索是优化搜索方法的基础。 求解一元函数 的极小点 ，可采用解析解法， 在用函数 的导数求 时，所用的函数 是仅以步长因子 为变量的一元函数，而不是以设计点 为变量的多元函数 。 利用一元函数的极值条件 求 。 为了直接利用 的函数式求解最佳步长因子 。可把 或它的简写形式 进行泰勒展开，取到二阶项，即 将上式对 进行微分并令其等于零，给出 极值点 应满足的条件 从而求得 这里是直接利用函数 而不需要把它化成步长因子 。的函数 。不过，此时需要计算 点处的梯度 和海赛矩阵 。 解析解法的缺点——需要进行求导计算。 对于函数关系复杂、求导困难或无法求导的情况，使用解析法将是非常不便的。 因此，在优化设计中，求解最佳步长因子 主要采用数值解法，利用计算机通过反复迭代计算求得最佳步长因子的近似值。 数值解法的基本思路是：首先确定 所在的搜索区间，然后根据区间消去法原理不断缩小此区间，从而获得 的数值近似解。 3.2 搜索区间的确定与区间消去法原理 欲求一元函数 的极小点 ，首先必须先确定 所在的区间。 确定搜索区间的外推法 在一维搜索时，我们假设函数 具有如右图所示的单谷性，即在所考虑的区间内部，函数 有唯一的极小点 。 为了确定极小点 所在的区间 ，应使函数 的 值在 区间里形成“高－低－高”趋势。 从 开始，以初始步长 向前试探。 如果函数值上升，则步长变号，即改变试探方向。 如果函数值下降，则维持原来的试探方向，并将步长加倍。 区间的始点、中间点依次沿试探方向移动一步。 此过程一直进行到函数值再次上升时为止，即可找到搜索区间的终点。 最后得到的三点即为搜索区间的始点、中间三点和终点，形成函数值的“高－低－高”趋势。 外推法（进退法）确定搜索区间的步骤： 1）试探搜索 2）前进搜索 3）后退搜索 右图表示沿 的正向试探。每走一步都将区间的始点、中间点沿试探方向移动一步（进行换名）。经过三步最后确定搜索区间 ，并且得到区间始点、中间点和终点 所对应的函数值 。 右图所表示的情况是：开始是沿 的正方向试探，但由于函数值上升而改变了试探方向，最后得到始点，中间点和终点 及它们的对应函数值 ，从而形成单谷区间为一维搜索区间 。 上述确定搜索区间的外推法，其程序框图如下图所示（P50） 要求一元函数 的极小点 ，在确定 所在的区间之后，就需要不断的缩小这个区间，直到确定 的近似解。 区间消去法原理 在搜索区间 内任取两点 ，并计算函数值 。于是将有下列三种可能情形： ，如下图（a）所示。由于函数为单谷，所以极小点必在区间 内。 ，如下图（b）所示。同理，极小点应在区间 内。 ，如下图（c）所示，这时极小点应在 内。 根据以上所述，只要在区间 内取两个点，算出它们的函数值并加以比较，就可以把搜索区间